分段任何基于模型的细分与开始-ResNet-v2分类器用于帕金森病诊断和元宇宙可视化
V Balamurugan1, K Sivasankari2
1Department of Computer Science and Engineering, Akshaya College of Engineering and Technology, Kinathukadavu, Coimbatore, 642109, India.
Computers in biology and medicine
|February 2, 2025
概括
这项研究引入了Segment Anything Model (SAM) 模型,用于从脑MRI扫描中改进帕金森病 (PD) 诊断. 这种先进的方法达到99.75%的准确性,使得更早的干预和更好的患者结果.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的帕金森病 (PD) 诊断对于及时干预至关重要.
- 传统的Voxel-Based Morphometry (VBM) 用于大脑分析具有局限性,包括预处理偏差和复杂大脑结构的不灵活性.
- 现有的诊断方法需要改进,以提高准确性和可靠性.
研究的目的:
- 通过克服VBM的局限性来提高帕金森病 (PD) 预测的准确性.
- 为更可靠的PD诊断引入自动化细分方法分段任何模型 (SAM).
- 为改善PD诊断的理解和决策提供一个元宇宙框架.
主要方法:
- 采用先进的预处理技术,包括denoising,大脑部分分离,运动校正和3DMRI图像上的数据增强.
- 采用分段任何模型 (SAM) 来自动细分大脑结构.
- 使用线性二进制模式,灰级共发生矩阵和形状描述符提取特征.
- 使用成功历史智能优化算法的优化功能选择.
- 使用Inception-ResNet-v2模型进行分类的PD.
主要成果:
- 拟议的模型在多个指标上在PD诊断中表现出卓越的性能.
- 在预测帕金森病方面达到99.75%的高准确率.
- 整合SAM和高级特征提取/选择显著提高了分类的稳定性.
结论:
- 开发的模型提供了一个高度准确和可靠的方法,用于使用3DMRI诊断帕金森病.
- 该研究强调了分段任何模型 (SAM) 在神经系统疾病分析中的潜力.
- 这些发现表明,诊断能力有所提高,可能会导致更好的患者管理和结果.
